.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
数据库系统通常依赖历史查询轨迹来执行基于工作负载的性能调优。然而，实际生产工作负载是随时间演变的，这使得历史查询对优化未来工作负载无效。为应对这一挑战，我们提出了SIBYL，一个端到端的基于机器学习的框架，能够精确预测未来查询序列，包括完整的查询语句，并在不同的预测窗口中实现。借鉴真实工作负载的洞察，我们提出了基于模板的特征化技术，并开发了一种带有编码器-解码器架构的堆叠式LSTM模型，用于精确预测查询工作负载。我们还开发了技术来提高大预测窗口的预测精度，并实现了高可扩展性，以应对查询到达率具有高变异性的大型工作负载。最后，我们提出了处理工作负载漂移的技术。在四个真实工作负载上的评估表明，SIBYL能够以87.3%的中位数F1分数预测工作负载，并在应用于物化视图选择和索引选择应用时，分别带来1.7倍和1.3倍的性能提升。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息